一种织物表面缺陷检测方法技术

本发明专利技术涉及工业缺陷检测技术领域，具体公开了一种织物表面缺陷的检测方法，本发明专利技术首先对织物缺陷图像作预处理，采用CSP_Darknet53网络模型做初始的特征提取，再采用DCSPPF模块以保留更多缺陷信息，最后采用DCPANet模块实现进一步的特征融合，得到三张大小不同的特征图送入三个检测头，输出织物图像缺陷的检测框；本发明专利技术能够检测出织物表面的各种缺陷，能够在一定程度上克服小目标缺陷信息的丢失，也对多尺度的缺陷信息有更好的鲁棒性，从而实现织物缺陷检测精度的提升，降低织物成本的损失，这对织物生产有重要的意义。这对织物生产有重要的意义。这对织物生产有重要的意义。

【技术实现步骤摘要】
一种织物表面缺陷检测方法


[0001]本专利技术涉及工业缺陷检测
，具体涉及一种织物表面缺陷的检测方法。

技术介绍

[0002]织物是人类生活和工业生产不可缺少的材料，广泛应用于服装、装饰等。但在面料生产过程中，由于人工操作不当、生产环境干扰等因素，面料表面会形成各种缺陷。
[0003]工业生产中出现的织物疵点不仅会严重影响织物的外观质量和等级，还会显著影响织物的价格。因此，织物表面缺陷的检测是纺织品制造质量控制中必不可少的一步。目前，大多数纺织企业依靠人工视觉检测织物缺陷，只能修复明显的缺陷，既费时又低效，并且会严重限制生产能力。因此，研发适用于纺织行业的缺陷自动检测算法具有较高的学术和应用价值。
[0004]传统的很多目标检测技术如Yolo、Fast RCNN等，在常规尺寸目标的检测任务中表现极佳。但由于织物缺陷数据往往存在以下问题：不同缺陷类型的尺度相差较大；部分缺陷尺寸极小，包含许多无用的背景信息。传统方法对于织物缺陷这类细小目标检测仍存在困难。
[0005]综上所述，本方法将在基础经典网络的基础上，采用DCSPPF减少缺陷信息的丢失，使特征得到重用后，再进一步采用DCPANet实现更好的多尺度特征融合，以提高对多尺度的织物缺陷的检测准确率。

技术实现思路

[0006]为了克服现有方法的不足，提高织物表面多尺度缺陷的检测准确率，本专利技术提供一种织物表面缺陷检测方法。
[0007]本专利技术的技术方案如下：
[0008]一种织物表面缺陷的检测方法，包括如下步骤：
[0009]步骤1:对织物缺陷图像的预处理，具体如下：
[0010]步骤1.1：对织物缺陷图像做数据增强；
[0011]步骤1.2：采用自适应锚框策略，将数据集中的目标进行重新聚类生成最佳锚框模板，作为初始锚框；
[0012]步骤1.3：将所有织物缺陷图像归一化至统一尺寸；
[0013]步骤2：采用CSP_Darknet53网络模型对织物缺陷图像进行特征提取得到特征图f0，其中，每经过一次CSP模块处理得到一个特征图b
i
，i表示第i次经过CSP模块处理,i＝1,2,3,4；
[0014]步骤3：将特征图b4送入DCSPPF模块，得到特征图f5，其中DCSPPF模块按如下步骤进行处理：特征图b4先经过一个卷积层得到特征图f1，再依次经过三个最大池化层分别得到特征图f2、f3、f4，将特征图f1与f2拼接得到特征图c1，将特征图f1、f2、f3与c1拼接得到特征图c2，将特征图f1、f3、f4与c2拼接得到特征图c3，最后将特征图c1、c2、c3拼接得到特征图c4，并送入
卷积层得到特征图f5；
[0015]步骤4：将特征图f5送入DCPANet模块做进一步的特征融合，得到三张大小不同的特征图f
s
、f
m
、f
b
，其中DCPANet模块按如下步骤进行处理：特征图f5经过一个卷积层得到特征图f6，将特征图f6上采样为原始大小的2倍，与特征图b3拼接后送入一个CSP模块，再次经过一个卷积层得到特征图f7，将特征图f7上采样为原始大小的2倍，与特征图b2拼接后送入一个CSP模块，再与特征图b2拼接得到大尺度特征图f
b
，特征图f
b
经过一个卷积层后与特征图f7、b3拼接，送入一个CSP模块得到中尺度特征图f
m
，特征图f
m
经过一个卷积层后与特征图f6、b2拼接，送入一个CSP模块得到小尺度特征图f
s
；
[0016]步骤5：将三张不同大小的特征图f
b
、f
m
、f
s
分别送入网络的三个检测头d1、d2、d3，分别检测大目标、中目标和小目标，得到织物图像中缺陷的检测框，检测框包含类别、置信度和定位信息，三个检测头d1、d2、d3均由单个卷积层构成，其损失函数均为式(1)所示：
[0017]Loss＝λ1L
cls
+λ2L
obj
+λ3L
loc
ꢀꢀ
(1)
[0018]其中，λ1，λ2，λ3为平衡系数，分类损失L
cls
和置信度损失L
obj
均采用BCE loss，检测框的定位损失L
loc
采用CIoU loss，如式(2)所示：
[0019][0020]其中，c、c
gt
分别表示预测类别和真实类别，p、p
iou
分别表示检测框所预测的置信度分数和检测框与真实框的IoU值，b、b
gt
分别表示检测框和真实框的中心点，ρ表示两个中心点间的欧式距离，l表示能够同时包含检测框和真实框的最小闭包区域的对角线距离,α为权重系数，v表示长宽比的相似性并根据式(3)进行计算：
[0021][0022]其中，w、w
gt
分别表示检测框和真实框的宽，h、h
gt
分别表示检测框和真实框的高；
[0023]步骤6:采用非极大值抑制操作移除同一目标的重复检测框。
[0024]本专利技术的有益效果如下：本专利技术能够检测出织物表面的各种缺陷，能够在一定程度上克服小目标缺陷信息的丢失，也对多尺度的缺陷信息有更好的鲁棒性，从而实现织物缺陷检测精度的提升，降低织物成本的损失，这对织物生产有重要的意义。
附图说明
[0025]图1为本专利技术的DCSPPF模块；
[0026]图2为本专利技术的DCPANet模块；
[0027]图3为本专利技术实现织物缺陷检测的整体网络架构。
具体实施方式
[0028]下面结合附图和实施例，对本专利技术进行进一步的说明。应当理解，此处所描述的具体实施例仅用于解释本专利技术，并不用于限定本专利技术。
[0029]一种织物缺陷检测方法，具体步骤如下：
[0030]步骤1:对织物缺陷图像的预处理，具体如下：
[0031]步骤1.1：对织物缺陷图像做数据增强；
[0032]步骤1.2：采用自适应锚框策略，将数据集中的目标进行重新聚类生成最佳锚框模板，作为初始锚框；
[0033]步骤1.3：将所有织物缺陷图像归一化至统一尺寸；
[0034]步骤2：采用CSP_Darknet53网络模型对织物缺陷图像进行特征提取得到特征图f0，其中，每经过一次CSP模块处理得到一个特征图b
i
，i表示第i次经过CSP模块处理,i＝1,2,3,4；
[0035]步骤3：将特征图b4送入DCSPPF模块，得到特征图f5，其中DCSPPF模块按如下步骤进行处理：特征图b4先经过一个卷积层得到特征图f1，再依次经过三个最大池化层分别得到特征图f2、f3、f4，将特征图f1与f2拼接得到特征图c1，将特征图f1、f2、f3与c1拼接得到特征图c2，将特征图f本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种织物表面缺陷的检测方法，其特征在于，包括如下步骤：步骤1:对织物缺陷图像的预处理；步骤2：采用CSP_Darknet53网络模型对织物缺陷图像进行特征提取得到特征图f0，其中，每经过一次CSP模块处理得到一个特征图b
i
，i表示第i次经过CSP模块处理,i＝1,2,3,4；步骤3：将特征图b4送入DCSPPF模块，得到特征图f5；步骤4：将特征图f5送入DCPANet模块做进一步的特征融合，得到三张大小不同的特征图f
s
、f
m
、f
b
；步骤5：将三张不同大小的特征图f
b
、f
m
、f
s
分别送入网络的三个检测头d1、d2、d3，分别检测大目标、中目标和小目标，得到织物图像中缺陷的检测框，检测框包含类别、置信度和定位信息，三个检测头d1、d2、d3均由单个卷积层构成，其损失函数均为式(1)所示：Loss＝λ1L
cls
+λ2L
obj
+λ3L
loc
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，λ1，λ2，λ3为平衡系数，分类损失L
cls
和置信度损失L
obj
均采用BCE loss，检测框的定位损失L
loc
采用CIoU loss，如式(2)所示：其中，c、c
gt
分别表示预测类别和真实类别，p、p
iou
分别表示检测框所预测的置信度分数和检测框与真实框的IoU值，b、b
gt
分别表示检测框和真实框的中心点，ρ表示两个中心点间的欧式距离，l表示能够同时包含检测框和真实框...

【专利技术属性】
技术研发人员：高飞，曹晓璐，张元鸣，程振波，庄耀中，章四夕，沈孙强，施耀飞，
申请(专利权)人：新凤鸣集团股份有限公司，
类型：发明
国别省市：